探究基于神经网络的预测pid控制研究及应用

《探究基于神经网络的预测pid控制研究及应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江工业大学硕士学位论文基于神经网络的预测PID控制研究及应用姓名：李建伟申请学位级别：硕士专业：化学工程指导教师：潘海天20080401浙江工业大学硕士学位论文基于神经网络的预测PID控制研究及应用摘要造纸工业过程具有高度不确定性、非线性、多变量耦合、大滞后和状态不完全性等特点，利用常规的PID控制很难满足系统的控制要求。人工神经网络对于多输入、输出，非线性复杂系统具有很强的处理能力，它能够以任意精度逼近任意连续非线性函数，对于复杂不确定问题具有白适应能力和自学习能力。本文采用神经网络与PID控制相结合的方法，进行了基于神经网络的预测PID控制

2、理论研究及应用。首先提出了一种RBF神经网络改进学习算法，其主要思想是通过极小化聚类样本的总方差，通过递推k．均值聚类算法对转移函数的中心和宽度进行调整，然后采用递推最小二乘法调整权值，仿真结果表明该算法能大大提高RBF神经网络的建模能力和跟踪性能。提出了两种基于神经网络的控制算法：(1)基于RBF神经网络非线性预测模型的自适应PID控制算法；(2)改进的单元神经PID算法。仿真实验表明，提出基于RBF神经网络非线性预测模型的自适应PID控制算法具有响应快、具有较强的鲁棒性和适应能力；改进的单元神经PID算法算法在大滞后系统中具有自适应性强、控制

3、精度高和控制效果好等优点。最后根据造纸生产中加药过程的工艺控制要求，以及白水浓度存在难以测量的问题，开发了基于组态王和S7．300PLC的计算机综合控浙江工业大学硕士学位论文制系统，并设计了白水浓度的智能控制策略。运行结果表明，该系统调节速度快，控制精度高，抗干扰能力强，系统稳定可靠，很好地满足了生产工艺的要求，提高了经济效益。关键词：造纸，神经网络，PID，白水，智能控制浙江工业大学硕士学位论文RESEARCHANDAPPLICATIoNoNTHEPREDICTIVEPIDCoNTRoLBASEDoNNUERAL．NETWORKABSTRACT

4、Duetothefactthattimedelay,inertia,strongnonlinearity,timevaryingandcouplingexistedinpapermakingindustry，routinePIDcouldn’tsatisfiedwithcontrolrequests．Neuralnetworkisextensivelyappliedonmulti—input—outputsystemandithasstrongmanagedability．Itcouldbeapproacharbitrarynon—linearf

5、unctionwinlarbitraryapproachedprecision．Ithasstrongself-adaptiveandself-learnability．ThepaperintroducesthemethodthatneuralnetworkcombinedwithPIDcontroland1earntheresearchandapplicationonthepredictivePIDcontrolbasedonneuralnetworkFirstly,BringforwardaimprovedalgorithmbasedonRB

6、Fneuralnetwork．Itsprimaryideausestotalvarianceofminimizationstylebookclustering，educeakindofK-meanclusteringalgorithm，adjustthecoreandwidthoftransferfunction，userecursiveleastsquaretoadjustweights．Simulationshowsthatitcouldenhancethemodelingandtrackability．Bringforwardtwokind

7、sofneuralnetworkalgorithm．Oneisnon—linearpredictivemodelingself-adaptivePIDcontrolsystembasedOiltheRBFneuralnetwork．TheotherisimprovescellneuralPIDalgorithm．Simulationshowsthatnon—linearpredictivemodelingself-adaptivePIDcontrolsystembasedontheRBFneuralnetworkhasabetterspeed，a

8、strongerrobustandwellself-learn．ImprovedcellneuralPIDalgorithmforlar